[ML]卷积层中padding对结果的影响

最新推荐文章于 2024-11-21 19:56:41 发布
转载 最新推荐文章于 2024-11-21 19:56:41 发布 · 626 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：http://www.cnblogs.com/xmxkkk/p/7641216.html

本文通过对比实验，展示了在训练小尺寸图像时，使用'same'填充方式相较于'valid'填充方式能显著提高模型的准确率。实验证明，在相同训练集下，'same'填充方式的模型准确率提升了约8%，验证准确率也有所提升。

padding valid
50000/50000 [==============================] - 99s - loss: 1.9688 - acc: 0.2727 - val_loss: 2.2398 - val_acc: 0.2541


padding same
50000/50000 [==============================] - 160s - loss: 1.7978 - acc: 0.3541 - val_loss: 2.0574 - val_acc: 0.3463

 

 

如果训练的图片非常小，padding最好用same。

转载于:https://www.cnblogs.com/xmxkkk/p/7641216.html

anyue6367048
关注
神经网络基础部件-卷积层详解
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
02-16 2302
本文深度讲解了卷积计算的原理，并详细介绍了构成所有卷积网络主干的基本元素，包括卷积层本身、填充(padding)和步幅 (stride)的基本细节、用于在相邻区域汇聚信息的汇聚层(pooling)，最后给出卷积层和汇聚层的代码示例和CNN框架结构图。
深度学习知识点全面总结
热门推荐
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 36万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
卷积时padding的设置对输出的影响
sdhdsf132452的博客
04-20 609
一、valid valid模式是没有填充的，不足就直接扔掉 二、same 当filter的中心(K)与image的边角重合时，开始做卷积运算。 三、full 就不讲了，不常用。
padding和stride如何影响卷积计算的效果和计算量
weixin_42108090的博客
10-21 1206
让卷积核“出界”：padding 一般情况下，卷积核的移动范围没有超出图片边缘，因此图片的边缘部分只进行了一次乘加运算，卷积的叠加并不充分。为了让每个像素都进行足够充分的卷积运算，引入一种常见技巧–padding。 padding 的操作就是在图片周围进行补0操作，同时让卷积核越出边界。由于补的数字都是0，所以并不会影响原图核卷积后的数据。对padding后的图片再进行卷积，就可以使每个卷积的叠加足够充分。 让卷积核“跳跃”：stride 如果卷积核一次移动两格，就会减少运算量，也能调整输出尺寸。为了控制卷
CNN中的padding如何影响位置学习
j879159541的博客
03-27 957
最近在知乎上看到大家都在说CNN学习目标的位置时是根据padding来学习的，下面是利用C++实现的矩阵之间的卷积运算 注： 有个假设就是，认为feature map中的1位背景，4567是前景 1、feature map和卷积核都不带padding 例1：feature map为4维矩阵，卷积核为3维 目标在中心时： 目标向左上角平移： 目标向右下角平移： 例2：feature map为6...
卷积过程padding的理解
weixin_44048809的博客
04-25 1万+
Padding是填充的意思，用在卷积网络当中。当有一张 6 X 6 的图片，经过 3 X 3 的卷积核卷积之后（不使用padding）会得到一张 4 X 4 大小的图片，从输入到输出的计算方式为：(n-f+1)*(n-f+1) 如图1所示。 ...
动手学深度学习 - 5.2. 填充和步幅
程永强
06-15 1493
动手学深度学习 - 5.2. 填充和步幅 动手学深度学习 - Dive into Deep Learning Aston Zhang, Zachary C. Lipton, Mu Li, and Alexander J. Smola https://zh.d2l.ai/ 5.2. 填充和步幅 在上一节的例子里，我们使用高和宽为 3 的输入与高和宽为 2 的卷积核得到高和宽为 2 的输出。一般来说，...
卷积层的参数怎么求得最优
最新发布
07-20
卷积神经网络（CNN）中的卷积层参数主要包括卷积核尺寸（kernel size）、卷积核数量（filters）、步长（stride）、边缘填充（padding）、激活函数、权重初始化方式等。这些参数的优化求解直接影响模型的性能和泛化...
CNN卷积层剖析：揭秘卷积操作的原理，提升图像理解力
卷积神经网络（CNN）中的卷积层是深度学习模型中用于特征提取的关键组件。卷积层通过应用一系列可学习的卷积核在输入数据上滑动，提取图像或其他数据类型中的空间特征。 卷积核是具有特定大小和形状的权重矩阵，在...
基于AutoML 方法——贝叶斯优化方法实现自动化设置分布式系统中超参数 Automatic Hyperparameter Tuning for Distributed Systems
AI天才研究院
08-05 1290
高维超参数(Hyperparameters)设置对于优化模型训练、系统架构设计、机器学习管道配置等任务都非常重要。然而，在分布式系统中运行这些任务时，每个节点需要不同的超参数配置。自动化超参数调优(AutoML)方法应运而生，通过探索一系列可能的参数组合来找到最佳的超参数值，从而提升性能。现有的 AutoML 方法主要基于黑盒搜索的方法，比如网格搜索、随机搜索等。然而，这种方法缺乏全局视角和贝叶斯优化的特点，容易陷入局部最优解，难以取得理想的结果。
卷积层里的填充和步幅(padding和strides)
m0_56312629的博客
12-19 2905
本文介绍了填充和步幅的作用以及代码实现
padding(卷积中的填充)
路人的博客
07-13 1万+
一个6x6的图像，3x3的卷积核，每一行卷积的过程类似，如图卷积核每走一步（第一个黑框到第一个绿框），输出一个像素。所以要计算卷积后图像的大小，需要知道图像大小及卷积核大小。(6-3)+1的结果为4，所以得到的卷积图像大小为4x4。公式为(图片大小 - 卷积核大小) + 1，这里的(图片大小 - 卷积核大小)意味着卷积核移动的次数，移动3次（绿色框），输出3个像素，+1意味着第一次计算卷积，即卷积核初始位置不需要移动的那一次。令原图像大小为，卷积核大小为。 所以在步长为1的情况下，则卷积后图像边长为，即移动
【深度学习】卷积层、Padding、Pooling、池化层（pyTorch）
Bryce-HJ
07-17 4250
Ccontents1 二维卷积层1.1 二维互相关运算1.2 二维卷积层1.3 图像中物体边缘检测1.4 通过数据学习核数组1.5 卷积运算和互相关运算1.6 特征图和感受野2 填充和步幅2.1 填充(Padding)2.2 步幅（stride）3 多通道输入和多通道输出3.1 多通道输入3.2 多通道输出3.3 1×1卷积层4 池化(pooling)4.1 二维最大池化层和平均池化层4.2 填充和步幅4.3 多通道 1 二维卷积层 1.1 二维互相关运算 import torch from torch i
29、卷积 - 参数 padding 的作用
AI与算法都要通俗易懂
12-09 1872
如果没有 padding，每次卷积核移动计算后，都会导致卷积的输出尺寸变小，最终可能使得输入图像的边缘信息丢失，而填充了 padding 则有助于保留图像的边缘信息，防止信息在卷积过程中逐渐减小甚至丢失。Padding 指的是在输入图像的周围添加额外的像素值，用来以扩大输入图像的尺寸，这些额外填充的像素值通常设置为零，卷积操作在这个填充后的输入图像上进行。而在有些时候，我们希望卷积的输出尺寸与输入相同。如上图，从一个俯视图的角度来看待一个卷积运算的过程，最上面的是卷积核，在下面蓝色的图像上滑动扫描的过程。
图解CNN中的卷积（卷积运算、池化、Padding、多通道的卷积）
coderge's 优快云 Blog.
06-27 5300
卷积层是深度学习神经网络中经常使用的一种层。它通过卷积运算来提取输入的特征，常用于图像、语音等信号处理任务中。 卷积层有以下几个参数： 1. 卷积核：卷积层中包含若干个卷积核，每个卷积核都是一个二维权重矩阵。卷积核的大小通常是奇数，比如3x3、5x5等，以便于有一个中心点，可以更好地提取特征。 2. 步长（stride）：指卷积核在输入数据上移动的步长。比如，构建一个3x3的卷积核，步长为2，表示每次卷积操作都会跨越2个像素。 3. 边界填充（padding）：指在输入数据的四周填充一圈像素，以保持卷积
吴恩达深度学习：Padding（边缘填充），卷积的缺点，解决方案
qq_36575363的博客
11-13 6283
此公众号会发表计算机考研（初复试信息）、夏令营等资料，方便考研人对信息的获取，节约自身查找资料的时间，回复408，可获得数据结构、操作系统、计算机网络、计算机组成原理全科资料 Padding 为了构建深度神经网络，你需要学会使用的一个基本的卷积操作就是padding，让我们来看看它是如何工作的。 我们在之前视频中看到，如果你用一个3×3的过滤器卷积一个6×6的图像，你最后会得到一个4×4的输出，也就是一个4×4矩阵。那是因为你的3×3过滤器在6×6矩阵中，只可能有4×4种可能的位置。这背后的数学..
卷积神经网络中的padding理解
ximu__l的博客
03-11 2747
关于神经网络中的padding
卷积神经网络的padding是什么？如何计算？
qq_44815135的博客
11-21 1946
当stride = 1，dilation=1，卷积公式的输出为H_out = H_in+2p-k+1，要保证H_out = H_in,所以2p = k-1,p = (k-1)/2。假设输入尺寸是 5×5，卷积核大小是 3×3，步幅为 1。我们希望卷积操作后的输出尺寸与输入相同。根据公式推导得，P = (S(H-1)-H+K)/2,当S=2,上述例子为，P = floor[(8-4+3)/2]=3。
【小白深度学习入门】【3】卷积层中的Padding填充详解：作用、类型、优缺点
阿旭的博客
08-30 3207
【小白深度学习入门】【3】卷积层中的Padding填充详解：作用、类型、优缺点
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值